APLICAÇÃO DE UMA REDE NARX NA MODELAGEM DA VELOCIDADE DE UM SMART PIG

Tamanho: px
Começar a partir da página:

Download "APLICAÇÃO DE UMA REDE NARX NA MODELAGEM DA VELOCIDADE DE UM SMART PIG"

Transcrição

1 APLICAÇÃO DE UMA REDE NARX NA MODELAGEM DA VELOCIDADE DE UM SMART PIG Renan Pires de Araújo (1); Gustavo Fernandes de Lima (2); Victor Carvalho Galvão de Freitas (2); Adrião Duarte Dória Neto (1); Andrés Ortiz Salazar (1) 1 Universidade Federal do Rio Grande do Norte. s: eng.renanpires@gmail.com, adriao@dca.ufrn.br, andres@dca.ufrn.br 2 Instituto Federal do Rio Grande do Norte (campus Parnamirim). s: gustavo.lima@ifrn.edu.br, victor.carvalho@ifrn.edu.br Resumo: De grande utilização na indústria de petróleo e gás, as tubulações, com o tempo de uso, podem apresentar deformidades, sujeiras em seu interior e corrosão. A fim de identificar estes defeitos, uma técnica comum é o uso de um tipo de ferramenta chamada Pipeline Inspection Gauge (PIG). Como o PIG é movimentado por meio do diferencial de pressão produzido pelo fluido sua velocidade dentro da tubulação pode variar significativamente durante a inspeção. Este trabalho visa utilizar uma rede neural artificial para modelar a velocidade do PIG através de dados do diferencial de pressão. Para tanto, foi usado um PIG protótipo, cuja velocidade foi obtida por meio de um odômetro e de uma placa eletrônica, enquanto que o diferencial de pressão foi obtido por meio de sensores de pressão instalados na tubulação de testes. A rede neural escolhida foi a rede NARX. Os resultados comprovaram a possibilidade de modelar a velocidade do PIG por meio de uma rede neural NARX, obtendo resultados bastante próximos dos reais. Palavras-chave: PIG; velocidade; redes neurais; odômetro. 1. Introdução É comum na indústria de petróleo e gás, independente da etapa, isto é, desde a perfuração de poços exploratórios até a distribuição de produtos advindos do petróleo cru e do gás natural, a utilização de tubulações metálicas no transporte de fluidos. Com o tempo, devido a desgastes provocados pela passagem dos fluidos no interior dos dutos e pela presença de impurezas, como areia ou algum pequeno objeto, faz-se necessário que sejam realizados ensaios a fim de verificar a integridade das paredes interna e externa dessas tubulações e a eventual necessidade de reparos (ARAÚJO, 2017). Uma técnica de inspeção de tubulação comumente empregada pelas empresas de petróleo é o pigging, definida como a passagem de uma ferramenta chamada de Pipeline Inspection Gauge (PIG) pelo interior do duto por meio da diferença de pressão entre as regiões a montante e a jusante da ferramenta (MIRSHAMSI & RAFFEYAN, 2012). O problema desta técnica é que o operador geralmente não possui controle direto sobre a velocidade do PIG, acarretando a perda de dados de inspeção de devido à incapacidade de leitura dos sensores presentes no PIG causado pela alta velocidade do PIG (LIMA et al, 2017). Além disso, a alta velocidade também pode ser

2 prejudicial para a estrutura física desse instrumento, podendo, por exemplo, danificar o odômetro presente em seu corpo e, com isso, não ser mais capaz de medir sua velocidade. Com o intuito de contornar este problema, podem-se aplicar as redes neurais artificiais incorporadas na programação de controle do PIG, pretendendo, assim, estimar indiretamente a velocidade da ferramenta. Portanto, o objetivo geral deste trabalho é verificar a aplicabilidade de uma rede neural do tipo NARX na modelagem da velocidade de um PIG partindo de dados do diferencial de pressão atuante sobre este equipamento. 2. Fundamentação Teórica 2.1. Pipeline Inspection Gauge - PIG Podendo ser construído de diversos materiais, tamanhos e formatos, o PIG pode ser dividido em três classes, dependendo de sua função primordial: os de limpeza, destinados à remoção de detritos e sujeira interna à tubulação; os de inspeção ou instrumentados, usados na inspeção das condições do duto; e os especiais, empregados em situações específicas, tais como tamponamentos e separação de fluidos transportados numa mesma tubulação (ARAÚJO, 2017). Exceto em casos específicos (como nos esféricos), a estrutura básica de um PIG pode ser representada como ilustrada na Figura 1. Figura 1 Exemplo da estrutura de um PIG. Fonte: Lima et al (modificado), Separado por dois suportes, geralmente de poliuretano, o corpo do PIG, produzido em material metálico, é responsável por acomodar a parte eletrônica (sensores, circuitos eletrônicos) e as baterias que permitem a realização da inspeção interna da tubulação por este equipamento, quando dos instrumentados. Para que o PIG se movimente é empregada a força do próprio fluido transportado através da tubulação, necessitando apenas que haja uma diferença de pressão entre a região a jusante (a frente) e a montante (atrás) dele, respectivamente com baixa e alta pressões (LIMA et al, 2017). O odômetro instalado na parte externa do PIG tem como função fornecer um sinal elétrico

3 para o microcontrolador calcular a velocidade e o espaço percorrido pelo PIG durante a inspeção da tubulação. A fim de identificar um modelo matemático que represente o movimento do PIG no interior de uma tubulação completamente horizontal, aplicou-se a Segunda Lei de Newton ao PIG (Figura 1), obtendo as equações (1), (2) e (3):. (1). (2). (3) onde M é a massa do PIG, a é a sua aceleração, F g é a força de pressão que age sobre o PIG, causando seu movimento, P é a diferença de pressão atuante sobre o PIG, A é a área do PIG sobre a qual o fluido exerce pressão, F a é a força de atrito entre o PIG e a parede interna do duto, B é o coeficiente de atrito viscoso, v é a velocidade do PIG e F s é a força de atrito seco. Substituindo (2) e (3) em (1) e fazendo :... (4) Isolando e organizando os termos do lado direito da igualdade: (5) A partir da equação (5), verifica-se que a velocidade do PIG é dependente principalmente do diferencial de pressão. Como explicitado acima, para se chegar à equação (5), foi realizada a desconsideração da força da gravidade por causa da tubulação de testes estar na horizontal. Além disso, o atrito seco é formado pelo atrito estático e atrito dinâmico, sendo que o primeiro só atua quando o PIG quebra a sua inércia e entra em movimento e o segundo tem um baixo valor quando o PIG está em movimento. Dessa forma, a variável atrito seco foi desconsiderada. Na prática, como o valor do atrito seco e do coeficiente de atrito viscoso nem sempre são fáceis de serem obtido, aplicar uma técnica de modelagem matemática na qual essas variáveis possam estar presentes no modelo final sem que seja necessário saber seu valor de antemão é bem vinda. Neste caso, uma possibilidade é a aplicação das Redes Neurais Artificiais (ARAÚJO, 2017). 2.2 Redes Neurais Artificiais De acordo com Silva, Spatti e Flauzino (2010), as Redes Neurais Artificiais (RNA) podem ser definidas como modelos matemáticos inspirados no cérebro humano, idealizados a partir do modelo do neurônio artificial de McCulloch e Pitts,

4 cuja capacidade computacional é adquirida através do aprendizado por meio de exemplos. A forma como uma RNA trabalha pode ser sintetizado da seguinte forma (OLIVEIRA, 2012): os vetores de dados de entrada são enviados, após serem ponderados de acordo com cada peso correspondente, para cada neurônio da estrutura, onde cada dado ponderado é adicionado a um limiar de ativação (valor pré-determinado), resultando num valor sobre o qual a função de ativação (função matemática pré-determinada de cada neurônio) agirá e, enfim, retornará os vetores de dados de saída da rede. Para Haykin (2001) e Pires (2012), as propriedades das RNAs referentes a aquisições de modelos matemático-computacionais, como capacidade de aprender a relação entre variáveis e a aquisição de modelos mais precisos por meio da alteração da estrutura da rede, são fatores que as destacam frente a outras técnicas de modelagem. Há diversos modelos de RNAs, cada uma sendo mais apropriada para certa situação. Em se tratando de séries temporais, o mais indicado é o uso de redes neurais recorrentes, cujo cálculo do valor atual é baseado em valores anteriores da rede (SILVA, 2013). Uma possível rede recorrente é a NARX (Nonlinear Auto-Regressive with exogenous input), ilustrada na Figura 2, que nada mais é do que uma rede multicamadas tendo como entrada a própria saída realimentada com atrasos temporais e uma entrada denominada de exógena. Figura 2 Exemplo de estrutura de uma rede NARX. 3. Metodologia Fonte: Silva, Para este trabalho, foi empregado um protótipo de smart PIG, de 6 polegadas de diâmetro e cerca de 40 cm de comprimento. Com seu corpo construído em aço galvanizado e com os suportes de isolamento feitos em poliuretano, apresenta externamente um odômetro e, no interior do seu corpo, uma placa eletrônica (composta principalmente por um microcontrolador Atmega 328 e um módulo de cartão de memória SD), responsável pela aquisição, em conjunto com o odômetro, e gravação dos dados de velocidade do PIG, e um conjunto de baterias, para o funcionamento da placa eletrônica.

5 Para a simulação de uma corrida com o PIG, foi utilizada a tubulação de testes presente na Universidade Federal do Rio Grande do Norte. Com aproximadamente 55 metros de comprimento e apresentando 06 pontos de coleta de dados de pressão, a tubulação possui duas válvulas de alívio de pressão, por meio das quais é realizada a diminuição da pressão a jusante do PIG, causando um diferencial de pressão aplicado ao PIG e, consequentemente, sua movimentação. O fluido propulsor empregado foi o ar comprimido. Para a aquisição dos dados de pressão ao longo da tubulação, foram empregados transmissores de pressão modelo NP 300, da NOVUS, distribuídos ao longo de todo o comprimento do duto. Os valores lidos foram, então, enviados a um controlador lógico programável modelo TPW-03 60HT-A, da marca WEG, e redirecionados a um sistema supervisório, a fim de que fosse realizado um mapeamento das leituras durante o teste. A correlação entre os dados de diferencial de pressão e velocidade foi realizada por meio de uma rede neural NARX, empregando, para isso, um software matemático. O algoritmo de treinamento usado foi o Levemberg-Marquardt e, devido ao relativamente pequeno número de amostras para o treinamento e validação da rede, foi aplicada a técnica de validação cruzada. 4. Resultados e Discussões A Figura 3 ilustra o perfil de velocidade do PIG durante o teste, assim como a distância percorrida pelo mesmo ao longo da tubulação. Figura 3 Perfil da velocidade do PIG e sua distância percorrida no trecho analisado. Fonte: Autor. A partir da Figura 3, pode-se verificar que o PIG atingiu velocidades máximas próximas a 20 m/s durante o teste, sendo que em maior parte do tempo, sua velocidade ficou abaixo de 10 m/s. Além do mais, percebe-se também que o movimento do PIG protótipo não é constante, alternando momentos de parada, velocidade baixa e velocidade alta.

6 A Figura 4 ilustra os diferenciais de pressão obtidas ao longo do trecho percorrido pelo PIG. Cada variável DifP representa uma região da tubulação entre dois sensores consecutivos. Figura 4 Diferença de pressão nas regiões entre sensores no trecho analisado. Fonte: Autor. A partir da Figura 4, pode-se verificar a passagem do PIG ao longo da tubulação, pois, segundo Freitas (2016), quando o PIG passa por uma região entre dois sensores de pressão, há a identificação de um diferencial de pressão em torno do PIG, causador de seu movimento. Na Figura 5 está apresentada a correlação entre as Figuras 3 e 4. Figura 5 Correlação entre o diferencial de pressão sobre o PIG e sua velocidade. Fonte: Autor. É possível identificar, por meio da Figura 5, uma evidente correlação entre o diferencial de pressão atuante sobre o PIG e sua velocidade, por meio da semelhança entre os dois gráficos. A partir dos dados da Figura 5, foi criado um conjunto de pares ordenados (diferença de pressão, velocidade) a serem utilizados no treinamento e na validação da rede NARX, a fim de modelar a velocidade do PIG por meio do diferencial de pressão atuante sobre ele. A quantidade de dados de velocidade usada foi de 56 amostras. Este valor é menor que o total de dados adquiridos devido ao tratamento na escolha dos valores pois foi identificado, após tratamento estatístico, a presença de outliers, que poderiam prejudicar a eficiência da

7 RNA. De acordo com Haykin (2001), esta pequena quantidade de dados disponíveis para o treinamento da rede pode causar a inefetividade da etapa de treinamento. A fim de contornar este problema, foi empregada a técnica de validação cruzada, conforme o trabalho de Araújo (2017). Após o teste de várias estruturas de redes NARX, variando a quantidade de neurônios na camada intermediária e a de unidades de atrasos na entrada e na saída da rede, obteve-se como melhor resultado a apresentada na Figura 6: uma rede NARX com 15 neurônios, 1 atraso na entrada e 2 atrasos na saída. Figura 6 Resultado da simulação de velocidade usando a rede NARX proposta. Fonte: Autor. Pode-se verificar o ótimo resultado obtido na comparação entre o resultado da simulação da rede NARX e a velocidade real apresentada pelo PIG durante o teste. Este fato comprova que a rede neural treinada conseguiu, por meio do diferencial de pressão, predizer a velocidade do PIG com uma diferença de, no máximo, 0,5 m/s, em geral. Vale destacar que, apesar de poucos pontos ultrapassarem a margem de erro, isso foi devido: ao pequeno número de pares ordenados disponíveis na etapa de treinamento, fato a ser contornado em futuros testes, e a quantidade de variações bruscas do valor de velocidade, conhecidas como eventos de tiros. Porém, estes poucos pontos não reduzem a importância do resultado alcançado, visto que o modelo foi obtido sem a necessidade de dados técnicos sobre o PIG (tal como massa) e sobre a tubulação (material de construção), dados requeridos em outras técnicas de modelagem, e a boa aproximação alcançada em relação aos valores reais. 5. Conclusões Neste trabalho foram apresentados o treinamento e validação de uma rede neural NARX para a modelagem da velocidade de um smart PIG. O trabalho também mostrou a utilização

8 de um PIG protótipo para obtenção de dados de velocidade e de uma tubulação de testes que forneceu dados de diferencial de pressão. Os dados de pressão foram submetidos na rede neural e esta produziu valores de velocidade preditos com sucesso e de baixo erro quando comparados com os valores de velocidade do PIG protótipo. A principal contribuição deste trabalho é propor uma aplicação para redes neurais capaz de predizer a velocidade de um smart PIG permitindo, assim, uma alternativa ao odômetro, caso este seja danificado. 7. Referências ARAÚJO, R. P. Modelagem da velocidade de um PIG instrumentado usando redes neurais artificiais. Dissertação (Mestrado em Ciências e Engenharia de Petróleo), PPGCEP, UFRN, Natal RN, fls. FREITAS, V. C. G. Desenvolvimento de um sistema para supervisão de PIGs em um duto de testes. Dissertação (Mestrado em Ciências e Engenharia de Petróleo), PPGCEP, UFRN, Natal, fls. HAYKIN, S. Redes neurais: princípios e prática. 2. ed., Bookman, Porto Alegre, Tradução de Paulo Martins Engel. LIMA, G. F.; FREITAS, V. C. G.; ARAÚJO, R. P.; MAITELLI, A. L.; SALAZAR, A. O. PIG s speed estimated with pressure transducers Hall effect sensor: an industrial application of sensors to validate a testing laboratory. Sensors, v. 17, MIRSHAMSI, M.; RAFEEYAN, M. Speed control of pipeline PIG using the QFT method. Oil and Gas Science and Technology, v. 67, n. 4, p , OLIVEIRA, A. A. Seleção de poços para operações de estimulação utilizando inteligência artificial. Projeto (Graduação em Engenharia de Petróleo), Escola Politécnica, Centro de Tecnologia, UFRJ, Rio de Janeiro RJ, fls. PIRES, P. R. M. Processamento inteligente de sinais de pressão e temperatura adquiridos através de sensores permanentes em poços de petróleo. Dissertação (Mestrado em Ciências com área de concentração em Automação na Indústria de Petróleo e Gás Natural), PPGCEP, UFRN, Natal, fls. SILVA, F. F. N. Um modelo híbrido para previsão de curvas de produção de petróleo. Dissertação (Mestrado em Ciências e Engenharia de Petróleo), PPGCEP, UFRN, Natal, fls. SILVA, I. N.; SPATTI, D. H.; FLAUZINO, R. A. Redes neurais artificiais para engenharia e ciências aplicadas Curso prático. 1. ed., Artliber, São Paulo, 2010.

Congresso Nacional de Engenharia Mecânica VIII CONEM Laboratório de Avaliação de Medição em Petróleo Universidade Federal do Rio Grande do Norte

Congresso Nacional de Engenharia Mecânica VIII CONEM Laboratório de Avaliação de Medição em Petróleo Universidade Federal do Rio Grande do Norte Congresso Nacional de Engenharia Mecânica VIII CONEM 2014 PROPOSTA DE CONTROLE DE VELOCIDADE PARA PIGs INSTRUMENTADOS UTILIZANDO A PLATAFORMA ARDUINO MESTRANDO GUSTAVO FERNANDES DE LIMA MESTRANDO VICTOR

Leia mais

ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINES INSPECTION GAUGES (PIGs)

ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINES INSPECTION GAUGES (PIGs) ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINES INSPECTION GAUGES (PIGs) Gustavo Fernandes de Lima 1 e Andrés Ortiz Salazar 2 1 Professor

Leia mais

MODELAGEM DA VELOCIDADE DE UM PIG INSTRUMENTADO USANDO REDES NEURAIS ARTIFICIAIS

MODELAGEM DA VELOCIDADE DE UM PIG INSTRUMENTADO USANDO REDES NEURAIS ARTIFICIAIS UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA CT CENTRO DE CIÊNCIAS EXATAS E DA TERRA CCET PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO - PPGCEP DISSERTAÇÃO DE MESTRADO

Leia mais

1. INTRODUÇÃO. (a) PIG de limpeza (b) PIG instrumentado (c) flex PIG. Figura 1.1 Exemplos de PIGs

1. INTRODUÇÃO. (a) PIG de limpeza (b) PIG instrumentado (c) flex PIG. Figura 1.1 Exemplos de PIGs 1. INTRODUÇÃO No transporte de produtos derivados do petróleo e gás natural, um modal seguro, eficiente e de baixo impacto ambiental utilizado pela indústria é o transporte dutoviário. Este permite o transporte

Leia mais

SIMULAÇÃO 3D DA PERDA DE CARGA EM UMA TUBULAÇÃO PARA FLUXO LAMINAR UTILIANDO SOLIDWORKS.

SIMULAÇÃO 3D DA PERDA DE CARGA EM UMA TUBULAÇÃO PARA FLUXO LAMINAR UTILIANDO SOLIDWORKS. SIMULAÇÃO 3D DA PERDA DE CARGA EM UMA TUBULAÇÃO PARA FLUXO LAMINAR UTILIANDO SOLIDWORKS. Alcides Gabriel Prudêncio Coutinho Maciel (1) Marcos Joselem da Silva Barros (2); Márcio Roberto de Andrade Araújo

Leia mais

3 Redes Neurais Artificiais

3 Redes Neurais Artificiais 3 Redes Neurais Artificiais 3.1. Introdução A capacidade de implementar computacionalmente versões simplificadas de neurônios biológicos deu origem a uma subespecialidade da inteligência artificial, conhecida

Leia mais

REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS

REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS REDE NEURAL DE ELMAN APLICADA NA PREVISÃO DE PREÇOS DE COMBUSTÍVEIS Renan Pires de Araújo 1 ; Adrião Duarte Dória Neto 2 1 Universidade Federal do Rio Grande do Norte, Programa de Pós-Graduação em Ciência

Leia mais

Introdução às Redes Neurais Artificiais

Introdução às Redes Neurais Artificiais Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Introdução às Redes Neurais Artificiais DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1 Tópicos

Leia mais

5 Resultados de Campo

5 Resultados de Campo 5 Resultados de Campo O modelo desenvolvido e testado no capítulo anterior foi utilizado para realizar a previsão de depósito de parafina em um poço produtor da Petrobras. Utilizando informações de geometria,

Leia mais

DESENVOLVIMENTO DE TACÔMETRO MAGNÉTICO PARA MEDIÇÃO DE VELOCIDADE EM PIGs INSTRUMENTADOS

DESENVOLVIMENTO DE TACÔMETRO MAGNÉTICO PARA MEDIÇÃO DE VELOCIDADE EM PIGs INSTRUMENTADOS DESENVOLVIMENTO DE TACÔMETRO MAGNÉTICO PARA MEDIÇÃO DE VELOCIDADE EM PIGs INSTRUMENTADOS Antônio Eduardo de Morais Silva 1, Gustavo Fernandes de Lima 2, Andrés Ortiz Salazar 3 1 Universidade Federal do

Leia mais

Proposta de Tecnologia para Controle de Velocidade de PIGs Instrumentados

Proposta de Tecnologia para Controle de Velocidade de PIGs Instrumentados Proposta de Tecnologia para Controle de Velocidade de PIGs Instrumentados C. G. Pereira, R. R. G de Oliveira, G. F. de Lima, A. O. Salazar, A. L. Maitelli and F. A. O. Fontes Abstract This paper presents

Leia mais

2. Redes Neurais Artificiais

2. Redes Neurais Artificiais Computação Bioinspirada - 5955010-1 2. Redes Neurais Artificiais Prof. Renato Tinós Depto. de Computação e Matemática (FFCLRP/USP) 1 2.1. Introdução às Redes Neurais Artificiais (RNAs) 2.1.1. Motivação

Leia mais

3. MODELOS MATEMÁTICOS PARA FORÇAS DE CONTATO E DE REMOÇÃO

3. MODELOS MATEMÁTICOS PARA FORÇAS DE CONTATO E DE REMOÇÃO 3. MODELOS MATEMÁTICOS PARA FORÇAS DE CONTATO E DE REMOÇÃO Conforme mencionado na revisão bibliográfica, pesquisadores da PUC-Rio desenvolveram alguns modelos simplificados para previsão das forças de

Leia mais

SNP33D90 REDES NEURAIS ARTIFICIAIS

SNP33D90 REDES NEURAIS ARTIFICIAIS SNP33D90 REDES NEURAIS ARTIFICIAIS Engenharia Elétrica Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 1. IDENTIFICAÇÃO UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT Disciplina: REDES NEURAIS ARTIFICIAIS

Leia mais

INTERVENÇÃO DE OLEODUTOS TERRESTRES DE TRANSMISSÃO

INTERVENÇÃO DE OLEODUTOS TERRESTRES DE TRANSMISSÃO INTERVENÇÃO DE OLEODUTOS TERRESTRES DE TRANSMISSÃO Natanael Cesar Silva Vieira (1); Sandro Luís da Costa Alves (4) Serviço Nacional de Aprendizagem Industrial SENAI-BA. natanaelveira.tecg@gmail.com (1);

Leia mais

Resumo. Abstract. 1. Introdução

Resumo. Abstract. 1. Introdução IBP1086_14 PROPOSTA PARA CONTROLE DE VELOCIDADE DE PIG S UTILIZANDO A PLACA ARDUINO Gustavo Fernandes de Lima 1, Victor Carvalho Galvão de Freitas 2, Ralyson Rayala Gonçalves de Oliveira 3, Andrés Ortiz

Leia mais

ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINE INSPECTION GAUGES (PIGs)

ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINE INSPECTION GAUGES (PIGs) IV SECITEX/XIV CONGIC ESTUDO E IMPLEMENTAÇÃO DE CÓDIGO PARA IDENTIFICAÇÃO E SUBSTITUIÇÃO DE OUTLIERS EM DADOS DE VELOCIDADE DE PIPELINE INSPECTION GAUGES (PIGs) LIMA, G. F. 1 e SALAZAR, A. O. 2 1 Professor

Leia mais

Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana

Introdução à Redes Neurais. Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana Introdução à Redes Neurais Artificiais Prof. Matheus Giovanni Pires EXA 868 Inteligência Artificial Não-Simbólica B Universidade Estadual de Feira de Santana 2 Introdução Redes Neurais Artificiais (RNAs)

Leia mais

PLATAFORMA ARDUINO NO CONTROLE DE VELOCIDADE DE PIG S

PLATAFORMA ARDUINO NO CONTROLE DE VELOCIDADE DE PIG S PLATAFORMA ARDUINO NO CONTROLE DE VELOCIDADE DE PIG S VICTOR CARVALHO GALVÃO DE FREITAS, GUSTAVO FERNANDES DE LIMA, RALYSON RAYALA GONÇALVES DE OLIVEIRA, ANDRÉS ORTIZ SALAZAR, ANDRÉ LAURINDO MAITELLI,

Leia mais

Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN

Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Previsão de Vazões utilizando Redes Neurais Artificiais MLP e NSRBN Alan Caio Rodrigues MARQUES 1, Gelson da Cruz JUNIOR 2, Cassio Dener Noronha VINHAL 3 Escola de Engenharia Elétrica e de Computação 1

Leia mais

Aplicações da Técnica de Emissão Acústica em Dutos e Tubulações

Aplicações da Técnica de Emissão Acústica em Dutos e Tubulações Aplicações da Técnica de Emissão Acústica em Dutos e Tubulações Pedro Feres Filho PASA - Physical Acoustic South America e-mail: pedro@pasa.com.br Tel: +11 3082 5111 Introdução Tubulações de gás, óleo

Leia mais

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS

RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS 1 RECONHECIMENTO DE TRAJETÓRIA COM REDES NEURAIS Giovanni Crestan Leonardo Enomoto Araki Thiago Antonio Grandi De Tolosa Wânderson de Oliveira Assis Wilson Carlos Siqueira Lima Júnior IMT Instituto Mauá

Leia mais

Disciplina: Sistemas Fluidomecânicos. Equação da Quantidade de Movimento para Regime Permanente

Disciplina: Sistemas Fluidomecânicos. Equação da Quantidade de Movimento para Regime Permanente Disciplina: Sistemas Fluidomecânicos Equação da Quantidade de Movimento para Regime Permanente Introdução A revisão de Mecânica dos Fluidos discorreu, entre outros tópicos, sobre como é realizado o balanceamento

Leia mais

Felix da Cunha 412, Pelotas RS Home-Page: s: Bolsista BIC/FAPERGS

Felix da Cunha 412, Pelotas RS Home-Page:    s: Bolsista BIC/FAPERGS UTILIZAÇÃO DE REDES NEURAIS PARA PREVISÕES EM SÉRIES TEMPORAIS 1 A. T. Gonçalez, A. C. R. Costa, G. P. Dimuro UCPEL Universidade Católica de Pelotas, ESIN Escola de Informática GMFC Grupo de Matemática

Leia mais

Redes Neurais MLP: Exemplos e Características

Redes Neurais MLP: Exemplos e Características Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Redes Neurais MLP: Exemplos e Características DCA0121 Inteligência Artificial Aplicada Heitor Medeiros 1

Leia mais

HP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes.

HP UFCG Analytics Abril-Maio Um curso sobre Reconhecimento de Padrões e Redes Neurais. Por Herman Martins Gomes. HP UFCG Analytics Abril-Maio 2012 Um curso sobre Reconhecimento de Padrões e Redes Neurais Por Herman Martins Gomes hmg@dsc.ufcg.edu.br Programa Visão Geral (2H) Reconhecimento Estatístico de Padrões (3H)

Leia mais

PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS

PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS PREVISÃO DE CASOS DE DENGUE EM ITAJAÍ SC UTILIZANDO REDES NEURAIS ARTIFICIAIS COM SAÍDAS RECORRENTES ÀS ENTRADAS Munyque Mittelmann 1, Lucas Grigolon Varela 1, Daniel Gomes Soares 1 1 Instituto Federal

Leia mais

Redes Neurais e Sistemas Fuzzy

Redes Neurais e Sistemas Fuzzy Redes Neurais e Sistemas Fuzzy Aspectos Temporais Modelagem de sistemas As tarefas que estudamos, classificação e regressão, podem ser vistas como atividades de modelagem de sistemas. As técnicas de modelagem

Leia mais

Algoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79

Algoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79 Algoritmo para Determinação e Classificação de Distúrbios Múltiplos em Sistemas Elétricos 79 3.3.3 Classificação dos distúrbios múltiplos Para a correta classificação dos diversos distúrbios é necessário

Leia mais

hydrostec VÁLVULAS DE REGULAÇÃO MULTIJATO Atuador Redutor Transmissor de posição Suporte Arcada Corpo Eixo Placa móvel Placa fixa

hydrostec VÁLVULAS DE REGULAÇÃO MULTIJATO Atuador Redutor Transmissor de posição Suporte Arcada Corpo Eixo Placa móvel Placa fixa B30.15.0-P VÁLVULAS DE REGULAÇÃO ULTIJATO Regulação da vazão e pressão Atuador Redutor Transmissor de posição Suporte Arcada Corpo Eixo Placa móvel Placa fixa A Válvula Regulação ultijato, foi desenvolvida

Leia mais

UNIVERSIDADE DE SÃO PAULO ENGENHARIA QUÍMICA LOQ4085 OPERAÇÕES UNITÁRIAS I

UNIVERSIDADE DE SÃO PAULO ENGENHARIA QUÍMICA LOQ4085 OPERAÇÕES UNITÁRIAS I UNIVERSIDADE DE SÃO PAULO ENGENHARIA QUÍMICA LOQ4085 OPERAÇÕES UNITÁRIAS I Profa. Lívia Chaguri E-mail: lchaguri@usp.br Conteúdo Bombas Parte 1 - Introdução - Classificação - Bombas sanitárias - Condições

Leia mais

Redes Neurais Artificiais

Redes Neurais Artificiais Redes Neurais Artificiais Prof. Dr. Hugo Valadares Siqueira Semana de Eletrônica e Automação 2014 Redes Neurais Artificiais Uma rede neural artificial é um circuito composto por uma grande quantidade de

Leia mais

1 RESUMO. Palavras-chave: Controle, encoders, motor CC. 2 INTRODUÇÃO

1 RESUMO. Palavras-chave: Controle, encoders, motor CC. 2 INTRODUÇÃO 1 RESUMO Na sociedade moderna se tornou cada vez mais presente e necessário meios de controlar dispositivos levando em consideração precisões maiores e perdas menores. Em diversos cenários o controle de

Leia mais

Fundamentos de Inteligência Artificial [5COP099]

Fundamentos de Inteligência Artificial [5COP099] Fundamentos de Inteligência Artificial [5COP099] Dr. Sylvio Barbon Junior Departamento de Computação - UEL Disciplina Anual Assunto Aula 16 Redes Neurais Artificiais (MLP) 2 de 24 (MLP) Sumário Introdução

Leia mais

Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto

Redes Neurais Artificial. Inteligência Artificial. Professor: Rosalvo Ferreira de Oliveira Neto Redes Neurais Artificial Inteligência Artificial Professor: Rosalvo Ferreira de Oliveira Neto Estrutura 1. Definições 2. Histórico 3. Conceitos Básicos 4. Aprendizado em RNA 5. Exemplo de Aprendizado com

Leia mais

5 Simulação Numérica e Validação Experimental

5 Simulação Numérica e Validação Experimental 118 5 Simulação Numérica e Validação Experimental 5.1 Introdução A simulação pelo Método dos Elementos Finitos (MEF) é cada vez mais útil na engenharia estrutural (FIALHO,2002), devido à grande capacidade

Leia mais

INTELIGÊNCIA ARTIFICIAL

INTELIGÊNCIA ARTIFICIAL INTELIGÊNCIA ARTIFICIAL REDES NEURAIS Caracterização Intuitiva: Em termos intuitivos, Redes Neurais Artificiais (RNAs) são modelos matemáticos inspirados nos princípios de funcionamento dos neurônios biológicos

Leia mais

Aula 1 Introdução - RNA

Aula 1 Introdução - RNA Aula 1 Introdução - RNA Sumário 1- Conceitos Iniciais; 2- Neurônio Biológico; 3- Neurônio Artificial; 4- Funções de Ativação; 5- Comparação Neurônio Biológico e Artificial. 1- Conceitos Iniciais - Computadores

Leia mais

TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais

TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais TÓPICOS EM INTELIGÊNCIA ARTIFICIAL Redes Neurais Artificiais ricardo.kerschbaumer@ifc.edu.br http://professor.luzerna.ifc.edu.br/ricardo-kerschbaumer/ Introdução O Cérebro humano Mais fascinante processador

Leia mais

DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ RESUMO

DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ RESUMO DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ Darlan Felipe Klotz 1 ; Mauro André Pagliosa 2 RESUMO Robôs autônomos estão sendo empregados em diversas tarefas onde para o

Leia mais

RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ

RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ RECONHECIMENTO DE GÊNERO ATRAVÉS DA VOZ Marcela Ribeiro Carvalho marcela@enecar.com.br IFG/Câmpus Goiânia Hipólito Barbosa Machado Filho hipolito.barbosa@ifg.edu.br IFG/Câmpus Goiânia Programa Institucional

Leia mais

TÍTULO: DESENVOLVIMENTO DE UM KIT DIDÁTICO DE PERDA DE CARGA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS

TÍTULO: DESENVOLVIMENTO DE UM KIT DIDÁTICO DE PERDA DE CARGA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS TÍTULO: DESENVOLVIMENTO DE UM KIT DIDÁTICO DE PERDA DE CARGA CATEGORIA: EM ANDAMENTO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO: FACULDADE DE ENGENHARIA DE SOROCABA AUTOR(ES): RAPHAEL

Leia mais

COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1

COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 COMPARAÇÃO ENTRE DIFERENTES ESTRUTURAS DE REDES NEURAIS NO PROBLEMA PRESA-PREDADOR 1 Márcia Da Silva 2, Eldair Fabricio Dornelles 3, Rogério S. M. Martins 4, Édson L. Padoin 5. 1 Pesquisa desenvolvida

Leia mais

CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS.

CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. CÁLCULO DO EQUILIBRIO DE TROCA-IÔNICA DO SISTEMA Na + -Pb 2+ -Cu 2+ USANDO REDES NEURAIS ARTIFICIAIS. A. B. B. GIOPATTO 1, E. A. SILVA 2, T. D. MARTINS 1 1 Universidade Federal de São Paulo, Departamento

Leia mais

TÍTULO: QUANTIFICAÇÃO EXPERIMENTAL DA PERDA DE CARGA LOCALIZADA EM ACESSÓRIOS PELO USO DE PIEZÔMETRO

TÍTULO: QUANTIFICAÇÃO EXPERIMENTAL DA PERDA DE CARGA LOCALIZADA EM ACESSÓRIOS PELO USO DE PIEZÔMETRO 16 TÍTULO: QUANTIFICAÇÃO EXPERIMENTAL DA PERDA DE CARGA LOCALIZADA EM ACESSÓRIOS PELO USO DE PIEZÔMETRO CATEGORIA: CONCLUÍDO ÁREA: ENGENHARIAS E ARQUITETURA SUBÁREA: ENGENHARIAS INSTITUIÇÃO: UNIVERSIDADE

Leia mais

Tópicos Especiais: Inteligência Artificial REDES NEURAIS

Tópicos Especiais: Inteligência Artificial REDES NEURAIS Tópicos Especiais: Inteligência Artificial REDES NEURAIS Material baseado e adaptado do Cap. 20 do Livro Inteligência Artificial de Russell & Norvig Bibliografia Inteligência Artificial Russell & Norvig

Leia mais

SIMULAÇÃO NUMÉRICA DA DETECÇÃO DE VAZAMENTO EM OLEODUTO CONTENDO CONEXÃO TÊ

SIMULAÇÃO NUMÉRICA DA DETECÇÃO DE VAZAMENTO EM OLEODUTO CONTENDO CONEXÃO TÊ SIMULAÇÃO NUMÉRICA DA DETECÇÃO DE VAZAMENTO EM OLEODUTO CONTENDO CONEXÃO TÊ M. de V. ARAÚJO 1, F. D. T. de LUNA 2, S. R. de FARIAS NETO³, A. G. B. de LIMA 4 1 Universidade Federal de Campina Grande, Programa

Leia mais

4 Modelos para Válvulas de Alívio

4 Modelos para Válvulas de Alívio 45 4 Modelos para Válvulas de Alívio Neste capítulo são descritos os três modelos de simulação do comportamento transiente de válvula de alívio que foram comparados com os dados experimentais medidos ao

Leia mais

Aluno: Matrícula: Data: CC76D HIDRÁULICA TRABALHO DE CASA #1

Aluno: Matrícula: Data: CC76D HIDRÁULICA TRABALHO DE CASA #1 UNIVERSIDADE TECNOLÓGICA FEDERAL DO PARANÁ CURSO DE ENGENHARIA CIVIL PR Aluno: Matrícula: Data: CC76D HIDRÁULICA TRABALHO DE CASA #1 Orientações: A entrega será individual na aula do dia 07/05 (turma S51)

Leia mais

Aluno: João Ferreira Orientador: Paulo Maciel

Aluno: João Ferreira Orientador: Paulo Maciel Estratégias para análise do impacto ambiental causado por centros de dados, considerando consumo de energia, eficiência energética e predições com RNA. Aluno: João Ferreira Orientador: Paulo Maciel Introdução

Leia mais

parâmetros de cálculo 4. Velocidade 5. Vazão

parâmetros de cálculo 4. Velocidade 5. Vazão parâmetros de cálculo 4. Velocidade Velocidade é distância percorrida por unidade de tempo. A unidade usual é m/s. Uma maneira de entender a velocidade da água na tubulação é imaginar uma partícula de

Leia mais

ESTUDO DA TRANSIÇÃO ENTRE ESCOAMENTO LAMINAR E TURBULENTO EM TUBO CAPILAR

ESTUDO DA TRANSIÇÃO ENTRE ESCOAMENTO LAMINAR E TURBULENTO EM TUBO CAPILAR ESTUDO DA TRANSIÇÃO ENTRE ESCOAMENTO LAMINAR E TURBULENTO EM TUBO CAPILAR M. H. MARTINS 1, A. KNESEBECK 1 1 Universidade Federal do Paraná, Departamento de Engenharia Química E-mail para contato: marcellohmartins@gmail.com

Leia mais

DESENVOLVIMENTO DE SISTEMA DE SUPERVISÃO PARA UM DUTO DE TESTES DE PIGS

DESENVOLVIMENTO DE SISTEMA DE SUPERVISÃO PARA UM DUTO DE TESTES DE PIGS UNIVERSIDADE FEDERAL DO RIO GRANDE DO NORTE CENTRO DE TECNOLOGIA CT CENTRO DE CIÊNCIAS EXATAS E DA TERRA CCET PROGRAMA DE PÓS-GRADUAÇÃO EM CIÊNCIA E ENGENHARIA DE PETRÓLEO - PPGCEP DISSERTAÇÃO DE MESTRADO

Leia mais

ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS

ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS ESTIMAÇÃO DA VELOCIDADE DE DESLOCAMENTO DE UMA ESTEIRA TRANSPORTADORA UTILIZANDO REDES NEURAIS ARTIFICIAIS Samuel Vieira DIAS (1); Geraldo Luis Bezerra RAMALHO (2); (1) Instituto Federal de Educação, Ciência

Leia mais

Hidráulica Geral (ESA024A)

Hidráulica Geral (ESA024A) Departamento de Engenharia Sanitária e Ambiental Hidráulica Geral (ESA04A) º semestre 01 Terças de 10 às 1 h Quntas de 08 às 10h Golpe de Aríete Conceito -Denomina-se golpe de aríete ou transiente hidráulico

Leia mais

7 Resultados. 7.1 Validação modelo simplificado

7 Resultados. 7.1 Validação modelo simplificado 55 7 Resultados 7.1 Validação modelo simplificado De acordo com os dados de entrada e da metodologia de cálculo alguns resultados foram extraídos das análises. Primeiramente um comparativo entre o modelo

Leia mais

Desenvolvimento de Programa para Escoamento em Rede de Fluídos Incompressíveis

Desenvolvimento de Programa para Escoamento em Rede de Fluídos Incompressíveis Desenvolvimento de Programa para Escoamento em Rede de Fluídos Incompressíveis Celso Dias MADUREIRA 1 1 Instituto Federal de Educação, Ciência e Tecnologia do Sul de Minas Gerais Campus Pouso Alegre. Pouso

Leia mais

7. APLICAÇÃO DE MODELOS PARA PREVISAO DA FORÇA DE CONTATO PIG / TUBO E COMPARAÇÃO COM RESULTADOS EXPERIMENTAIS

7. APLICAÇÃO DE MODELOS PARA PREVISAO DA FORÇA DE CONTATO PIG / TUBO E COMPARAÇÃO COM RESULTADOS EXPERIMENTAIS 7. APLICAÇÃO DE MODELOS PARA PREVISAO DA FORÇA DE CONTATO PIG / TUBO E COMPARAÇÃO COM RESULTADOS EXPERIMENTAIS O objetivo principal deste trabalho era fazer uma comparação entre os valores de forças de

Leia mais

Escoamentos Internos: Parte III

Escoamentos Internos: Parte III Escoamentos Internos: Parte III PME3222 - Mecânica dos Fluidos Para Eng. Civil PME/EP/USP Prof. Antonio Luiz Pacífico 1 Semestre de 2017 PME3222 - Mecânica dos Fluidos Para Eng. Civil (EP-PME) Esc. Turb.

Leia mais

Comparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário

Comparação de Modelos Neurais Aplicados a Resistência de Fornos de Redução do Alumínio Primário Trabalho apresentado no DINCON, Natal - RN, 2015. Proceeding Series of the Brazilian Society of Computational and Applied Mathematics Comparação de Modelos Neurais Aplicados a Resistência de Fornos de

Leia mais

SELEÇÃO DE BOMBAS HIDRÁULICAS

SELEÇÃO DE BOMBAS HIDRÁULICAS SELEÇÃO DE BOMBAS HIDRÁULICAS Prof. Jesué Graciliano da Silva https://jesuegraciliano.wordpress.com/aulas/mecanica-dos-fluidos/ 1- EQUAÇÃO DE BERNOULLI A equação de Bernoulli é fundamental para a análise

Leia mais

CURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS º PERÍODO

CURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS º PERÍODO CURSO: ENGENHARIA DE CONTROLE E AUTOMAÇÃO EMENTAS - 2016.1 1º PERÍODO DISCIPLINA: INTRODUÇÃO AO CÁLCULO DISCIPLINA: FUNDAMENTOS DE FÍSICA DISCIPLINA: REPRESENTAÇÃO GRÁFICA DISCIPLINA: INTRODUÇÃO À ENGENHARIA

Leia mais

DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ

DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ DESENVOLVIMENTO DE UM ROBÔ AUTÔNOMO PARA PARTICIPAÇÃO EM COMPETIÇÃO DE SUMÔ Darlan Klotz 1, Marcus Eduardo Deckert 1, Mauro André Pagliosa 2 1. Aluno do IFC Câmpus Luzerna, curso Técnico em Automação Industrial.

Leia mais

Tabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37

Tabela 4.1 Distribuição dos indicadores por tipo Tipo de Indicador No. de indicadores. Indicadores de Evento 93. Indicadores de Tendência 37 4 Estudo de Casos A metodologia proposta no capítulo 3 foi aplicada em casos reais coletados de equipamentos Caterpillar da Sotreq. As falhas aqui estudadas são referentes a dois componentes do caminhão:

Leia mais

CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS

CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS CONCENTRAÇÃO DE GASES DISSOLVIDOS EM TRANSFORMADORES A ÓLEO UTILIZANDO REDES NEURAIS ARTIFICIAIS Marco Antonio Ferreira Finocchio 1 (Prof. Mestre em Engenharia Elétrica, Universidade Tecnológica Federal

Leia mais

Classificação Linear. André Tavares da Silva.

Classificação Linear. André Tavares da Silva. Classificação Linear André Tavares da Silva andre.silva@udesc.br Roteiro Introduzir os o conceito de classificação linear. LDA (Linear Discriminant Analysis) Funções Discriminantes Lineares Perceptron

Leia mais

CONTROLE DA TEMPERATURA DE SECAGEM ARTIFICIAL DE GRÃOS 1

CONTROLE DA TEMPERATURA DE SECAGEM ARTIFICIAL DE GRÃOS 1 CONTROLE DA TEMPERATURA DE SECAGEM ARTIFICIAL DE GRÃOS 1 Saul Vione Winik 2, Vanessa Faoro 3, Rodolfo França De Lima 4, Oleg Khatchatourian 5, Cristiano Osinski 6. 1 Projeto de Iniciação Científica 2 Bolsista

Leia mais

Palavras-chave: Microcontrolador, Conversor de Frequência, Sistema de Resfriamento Evaporativo, Temperatura, Controle.

Palavras-chave: Microcontrolador, Conversor de Frequência, Sistema de Resfriamento Evaporativo, Temperatura, Controle. AVALIAÇÃO DE APLICABILIDADE E CONSTRUÇÃO DE CONTROLADORES AUTOMÁTICOS DE VELOCIDADE PARA CLIMATIZADORES EVAPORATIVOS Luiz Felipe Albuquerque Ota Aluno do IFMT, Campus Cuiabá, bolsista PIBIT/Cnpq André

Leia mais

PME/EP/USP. Prof. Antonio Luiz Pacífico

PME/EP/USP. Prof. Antonio Luiz Pacífico Exercícios PME 3230 - Mecânica dos Fluidos I PME/EP/USP Prof. Antonio Luiz Pacífico 2 Semestre de 2016 PME 3230 - Mecânica dos Fluidos I (EP-PME) Exercícios 2 Semestre de 2016 1 / 20 Conteúdo da Aula 1

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica REDES NEURAIS ARTIFICIAIS REDE ADALINE e REGRA DELTA Prof. Dr. André A. P. Biscaro 2º Semestre de 2017 Aspectos históricos O ADALINE foi idealizado por Widrow & Hoff em 1960. Sua principal aplicação estava

Leia mais

Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos

Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Minicurso: Inteligência Artificial Aplicada a Sistemas Elétricos Introdução a Machine Learning: Teoria, Aplicações e IA na Arquitetura Intel Vitor Hugo Ferreira, DSc - UFF Flávio Mello, DSc UFRJ e Ai2Biz

Leia mais

Experimento científico para a determinação da aceleração da gravidade local empregando materiais de baixo custo

Experimento científico para a determinação da aceleração da gravidade local empregando materiais de baixo custo Experimento científico para a determinação da aceleração da gravidade local empregando materiais de baixo custo Marcos Aurélio da Silva 1 1 Professor do Ensino Básico, Técnico e Tecnológico do Instituto

Leia mais

Inteligência Computacional

Inteligência Computacional Inteligência Computacional INTRODUÇÃO ÀS REDES NEURAIS ARTIFICIAIS Renato Dourado Maia Faculdade de Ciência e Tecnologia de Montes Claros Fundação Educacional Montes Claros Na Aula Passada... O que é uma

Leia mais

RESUMO MECFLU P3. REVER A MATÉRIA DA P2!!!!! Equação da continuidade Equação da energia 1. TEOREMA DO TRANSPORTE DE REYNOLDS

RESUMO MECFLU P3. REVER A MATÉRIA DA P2!!!!! Equação da continuidade Equação da energia 1. TEOREMA DO TRANSPORTE DE REYNOLDS RESUMO MECFLU P3 REVER A MATÉRIA DA P2!!!!! Equação da continuidade Equação da energia 1. TEOREMA DO TRANSPORTE DE REYNOLDS Equação do Teorema do Transporte de Reynolds: : variação temporal da propriedade

Leia mais

MODELAGEM DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA CONSIDERANDO A APLICAÇÃO EM REDES INTELIGENTES (SMART GRIDS) 1

MODELAGEM DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA CONSIDERANDO A APLICAÇÃO EM REDES INTELIGENTES (SMART GRIDS) 1 MODELAGEM DE UM SISTEMA DE DISTRIBUIÇÃO DE ENERGIA CONSIDERANDO A APLICAÇÃO EM REDES INTELIGENTES (SMART GRIDS) 1 Caroline Denardi Commandeur 2, Jonatas Rodrigo Kinas 3, Mauricio De Campos 4, Paulo S Sausen

Leia mais

Simpósio Brasileiro de Automação Inteligente XI SBAI 2013

Simpósio Brasileiro de Automação Inteligente XI SBAI 2013 Simpósio Brasileiro de Automação Inteligente XI SBAI 2013 CONTROLE DE TEMPERATURA DE UMA TOCHA DE PLASMA TÉRMICO COM ACOPLAMENTO INDUTIVO UTILIZANDO A PLACA ARDUINO GUSTAVO FERNANDES DE LIMA (Mestrando)

Leia mais

Mineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior

Mineração de Dados aplicada a Gestão de Negócios. Aula 2. Prof. Dr. Sylvio Barbon Junior Aula 2 Introdução Redes Neurais Prof. Dr. Sylvio Barbon Junior barbon@uel.br Sumário 1- Inteligência Artificial 2- Introdução às Redes Neurais Artificiais 3- Modelos de Redes Neurais supervisionados e

Leia mais

Bruna Galle UPE Ecomp Mêuser Valença UPE Ecomp

Bruna Galle UPE Ecomp Mêuser Valença UPE Ecomp Bruna Galle UPE Ecomp bcga@ecomp.poli.br Mêuser Valença UPE Ecomp meuserv@yahoo.com.br Roteiro Motivação Objetivos Conceitos básicos: Redes Neurais Pré processamento dos Dados Treinamento Resultados Conclusões

Leia mais

DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL

DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL Aluno: Renan de Lima Simões Mondego Vilela Orientador: Mauro Speranza Neto Introdução O presente projeto é continuação

Leia mais

Exame de Ingresso ao PPG- AEM 2014/1sem

Exame de Ingresso ao PPG- AEM 2014/1sem Universidade de São Paulo Escola de Engenharia de São Carlos Exame de Ingresso ao PPG- AEM 2014/1sem Nome do Candidato: R.G.: Data: Assinatura: Indique a área de concentração de interesse (em ordem decrescente

Leia mais

Primeiras Redes Neurais Artificiais: Perceptron e Adaline

Primeiras Redes Neurais Artificiais: Perceptron e Adaline Universidade Federal do Rio Grande do Norte Departamento de Engenharia de Computação e Automação Primeiras Redes Neurais Artificiais: Perceptron e Adaline DCA0121 Inteligência Artificial Aplicada Heitor

Leia mais

FUNDAMENTAÇÃO HIDROMECÂNICA Princípios Básicos

FUNDAMENTAÇÃO HIDROMECÂNICA Princípios Básicos FUNDAMENTAÇÃO HIDROMECÂNICA Princípios Básicos Sistemas Hidráulicos podem ser descritos por leis que regem o comportamento de fluidos confinados em: regime permanente (repouso) invariante no tempo; regime

Leia mais

Utilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado AMBIENTE E SETUP DE MEDIÇÃO

Utilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado AMBIENTE E SETUP DE MEDIÇÃO Utilização das Redes Neurais Artificiais na Adaptação de Modelos de Propagação em Ambiente Fechado JULIANA MONTEIRO, MÁRCIO RODRIGUES, GLEYCE CALDEIRA E JOSIANE RODRIGUES. Instituto de Estudos Superiores

Leia mais

Exemplo. T 1 2g = -2a T 2 g = a. τ = I.α. T 1 T 2 g = - 3a a g = - 3a 4a = g a = g/4. τ = (T 1 T 2 )R. T 1 T 2 = Ma/2 T 1 T 2 = a.

Exemplo. T 1 2g = -2a T 2 g = a. τ = I.α. T 1 T 2 g = - 3a a g = - 3a 4a = g a = g/4. τ = (T 1 T 2 )R. T 1 T 2 = Ma/2 T 1 T 2 = a. Exercícios Petrobras 2008 eng. de petróleo Dois corpos de massa m 1 = 2 kg e m 2 = 1 kg estão fixados às pontas de uma corda com massa e elasticidade desprezíveis, a qual passa por uma polia presa ao

Leia mais

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica

UNIVERSIDADE DO ESTADO DE MATO GROSSO - UNEMAT. Faculdade de Ciências Exatas e Tecnológicas FACET / Sinop Curso de Bacharelado em Engenharia Elétrica REDES NEURAIS ARTIFICIAIS PERCEPTRON MULTICAMADAS Prof. Dr. André A. P. Biscaro 1º Semestre de 2018 Arquitetura Redes Perceptron de Múltiplas Camadas (PMC), também conhecidas como redes MLP (Multiple Layer

Leia mais

2ª PROVA ICIN 1º/2015

2ª PROVA ICIN 1º/2015 Departamento de Engenharia Elétrica Prof. Adolfo Bauchspiess Faculdade de Tecnologia Laboratório de Automação e Robótica Universidade de Brasília 163848 INTRODUÇÃO AO CONTROLE INTELIGENTE NUMÉRICO - 1

Leia mais

DETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS.

DETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS. DETERMINAÇÃO EXPERIMENTAL DOS PARÂMETROS DE UM MODELO PARA UM PROCESSO MULTIVARIÁVEL DE QUATRO TANQUES ACOPLADOS. M.C. de Freitas, F.V. da Silva. Universidade Estadual de Campinas, Faculdade de Engenharia

Leia mais

Aula 02 - Perda de Carga Localizada

Aula 02 - Perda de Carga Localizada Aula 02 - Perda de Carga Localizada Essas perdas, também conhecidas como singulares ou secundárias, ocorrem quando à mudança no módulo, ou na direção da velocidade. Uma mudança no diâmetro (ou na seção

Leia mais

Vazão. Conceito de Vazão

Vazão. Conceito de Vazão Vazão Conceito de Vazão Quando se toma um ponto de referência, a vazão é a quantidade do produto ou da utilidade, expressa em massa ou em volume, que passa por ele, na unidade de tempo. A unidade de vazão

Leia mais

Rede Perceptron. Capítulo 3

Rede Perceptron. Capítulo 3 Rede Perceptron Capítulo 3 Rede Perceptron É a forma mais simples de configuração de uma RNA (idealizada por Rosenblatt, 1958) Constituída de apenas uma camada, tendo-se ainda somente um neurônio nesta

Leia mais

4 Desenvolvimento de Algoritmos de controle

4 Desenvolvimento de Algoritmos de controle 4 Desenvolvimento de Algoritmos de controle 4.1 Introdução Os estudos das características sensoriais e equações de movimento realizados com o robô ER1, junto com as ferramentas de simulação, permitem o

Leia mais

DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL

DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL DESENVOLVIMENTO DE VEICULOS AUTONOMOS EM ESCALA EM AMBIENTE DE SIMULAÇÃO COMPUTACIONAL Aluno: Renan de Lima Simões Mondego Vilela Orientador: Mauro Speranza Neto Introdução O presente projeto é continuação

Leia mais

INSTALAÇÕES HIDRÁULICAS PREDIAIS

INSTALAÇÕES HIDRÁULICAS PREDIAIS INSTALAÇÕES HIDRÁULICAS PREDIAIS AULA 04 Prof. Guilherme Nanni prof.guilherme@feitep.edu.br 7º Semestre Engenharia civil CONTEÚDO DA AULA PRESSÕES MÍNIMAS E MÁXIMAS PRESSÃO ESTÁTICA, DINÂMICA E DE SERVIÇO

Leia mais

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA

APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA APLICAÇÃO DE REDES NEURAIS ARTIFICIAIS PARA ESTIMAR MATRIZ ORIGEM-DESTINO DE CARGA Daniel Neves Schmitz Gonçalves Luiz Antonio Silveira Lopes Marcelino Aurelio Vieira da Silva APLICAÇÃO DE REDES NEURAIS

Leia mais

Inteligência Artificial Redes Neurais

Inteligência Artificial Redes Neurais Inteligência Artificial Jarley P. Nóbrega, Dr. Faculdade Nova Roma Bacharelado em Ciência da Computação jpn@jarley.com Semestre 2018.2 Jarley P. Nóbrega, Dr. (Nova Roma) Inteligência Artificial Semestre

Leia mais

Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais

Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Análise comparativa entre métodos estatístico e rede neural aplicados em séries temporais Ana Paula de Sousa José Elmo de Menezes Introdução As formas funcionais dos modelos de previsão das redes neurais

Leia mais

REDES NEURAIS ARTIFICIAIS

REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS REDES NEURAIS ARTIFICIAIS O QUE É UMA REDE NEURAL NEURÔNIOS BIOLÓGICOS CÉREBRO HUMANO E CAPACIDADE DE GENERALIZAÇÃO. Modelo McCulloch e Pitts FUNÇÕES DE ATIVAÇÃO APRENDIZADO APRENDIZADO

Leia mais

Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN)

Anais do IX Congresso Brasileiro de Redes Neurais / Inteligência Computacional (IX CBRN) EFICIÊNCIA ENERGÉTICA EM SISTEMAS DE VENTILAÇÃO AXIAL UTILIZANDO REDES NEU- RAIS ARTIFICIAIS MOREIRA, ADSON B., TEIXEIRA, VANESSA S. C.. Curso de Engenharia Elétrica, Universidade Federal do Ceará Campus

Leia mais

2 Fundamentos Teóricos

2 Fundamentos Teóricos Fundamentos Teóricos.1.Propriedades Físicas dos Fluidos Fluidos (líquidos e gases) são corpos sem forma própria; podem se submeter a variações grandes da forma sob a ação de forças; quanto mais fraca a

Leia mais